Project EVE ha dato risultati diversi a seconda del compito: nel mercato simulato di EVE Online gli agenti Claude hanno fatto crescere il capitale, mentre in EVE Frontier le squadre hanno faticato a riconoscere un compagno istruito a sabotarle. Anthropic ha pubblicato il resoconto il 6 novembre 2026, dopo una ricerca svolta da aprile a luglio con Fenris Creations nell’ambito dell’Anthropic Fellows Program. Le prove di trading si basavano su un simulatore; le missioni di EVE Frontier si svolgevano nel gioco live. Anthropic descrive metodi e risultati di Project EVE.
Nel mercato simulato di EVE Online
Claude non ha operato nel mercato live di EVE Online. Anthropic ha ricreato nel simulatore gli ordini di acquisto e vendita pubblicati dai giocatori, evitando così di interferire con il gioco, dove il trading automatizzato è vietato. Il replay non reagiva alle operazioni degli agenti e gli aggiornamenti periodici degli ordini pubblici mancavano circa metà degli scambi effettivi.
Ogni prova partiva da 3 miliardi di ISK, la valuta di gioco. La strategia più comune era la cattura dello spread: acquistare un oggetto sotto il suo valore tipico e rivenderlo, spesso entro la stessa giornata, cercando di guadagnare sulla differenza. Anthropic stima che comprare e rivendere comportasse commissioni per circa il 5,6%. In un test con ordini sintetici che ribassavano i prezzi per battere le offerte degli agenti, i profitti finali calarono di circa il 35%.
Nelle nove finestre simulate di due settimane, Anthropic ha riportato questa crescita media del capitale:
| Modello | Crescita media del capitale |
| Claude Opus 4.6 | 4% |
| Claude Opus 4.7 | 16% |
| Claude Opus 4.8 | 22% |
| Claude Fable 5 | 43% |
Claude Opus 4.7, Claude Opus 4.8 e Claude Fable 5 hanno chiuso in utile tutte e nove le finestre. La cattura dello spread, però, non equivaleva a prevedere con affidabilità la direzione dei prezzi: nelle prove direzionali Claude Fable 5 ha guadagnato in circa metà dei tentativi. Alcune prove di Claude Opus 4.7 furono escluse perché il modello aveva ignorato l’istruzione di puntare sull’andamento dei prezzi ed era tornato alla cattura dello spread.
I risultati nel simulatore dipendevano anche dalle inefficienze specifiche del mercato di EVE e da un replay che non reagiva alle mosse degli agenti.
In EVE Frontier il coordinamento aveva limiti concreti
Le squadre di EVE Frontier erano composte da quattro agenti, ciascuno con una propria istanza di Claude, un personaggio e una nave. Un programma di supporto, o scaffold, faceva da collegamento tra il modello e il gioco: automatizzava le azioni rapide e conservava le lezioni delle sessioni precedenti.
Anthropic riferisce che una squadra di Claude Fable 5, usando uno scaffold scritto da Claude Fable 5, completò il tutorial in meno di 12 ore senza perdere navi. Le squadre di Claude Fable 5 che usavano uno scaffold scritto da Claude Opus 4.8 persero navi ripetutamente e impiegarono giorni per completare il tutorial, quando ci riuscirono. Lo scaffold basato su Fable 5 era affidabile soltanto nelle situazioni incontrate durante il suo sviluppo; nella missione più difficile, per costruire una grande nave da guerra, la squadra arrivò al massimo a circa metà dell’obiettivo.
Le squadre si assegnavano ruoli come guida, ricognitore, raffinatore e combattente, condividevano carburante e informazioni e controllavano le affermazioni dei compagni. Anthropic ha osservato anche momenti di stallo dovuti alla cortesia. Quando le infrastrutture essenziali erano concentrate su una sola nave, la sua perdita di connessione poteva fermare per ore l’economia della squadra.
Il sabotaggio era un compito assegnato
Per questa prova Anthropic aveva istruito uno degli agenti a ostacolare la squadra; agli altri era stato detto che un compagno avrebbe potuto avere un obiettivo diverso. Solo un agente leale identificò con certezza il sabotatore. Il test misurava quindi il riconoscimento di un sabotaggio assegnato, non una tendenza spontanea di Claude a sabotare.
Anthropic ha anche provato monitor separati, con accesso limitato al canale pubblico della squadra e senza accesso ai ragionamenti privati o alle azioni individuali degli agenti. Con il tasso di false accuse fissato a un massimo del 5%, i monitor Opus 4.6, Opus 4.7 e Opus 4.8 individuarono dal 30% al 40% dei sabotatori; Sonnet 4.6 ne individuò il 20%. Nessun monitor superò mai il 50% di confidenza. Erano strumenti sperimentali creati per la prova, non impiegati in produzione.
